摘要
随着人工智能代理日益在多代理环境中运行,与其他模型及人类共处,理解它们如何回应提示词中所呈现的意见,对于预测此类交互的结果至关重要。本研究考察了作为人工智能代理运行的大型多模态语言模型中的类从众行为,即与群体意见保持一致的倾向。通过改编社会心理学中的经典视觉实验,我们考察了这些代理如何回应提示词中的社会信号。我们的实验表明,人工智能代理表现出与社会影响理论相一致的系统性从众偏差。其反应随多数派规模、群体一致性、任务难度以及来源特征(包括感知到的权威性和共同的群体成员身份)而变化。关键在于,在单独作答时表现近乎完美的人工智能代理,在社会影响下却极易被操纵。这一脆弱性在不同模型规模上持续存在:尽管更大的模型在简单任务上表现出较低的从众偏差,但在任务困难时它们仍然易受影响。这些发现揭示了人工智能代理决策过程中的安全漏洞,这些漏洞可能在与其他模型及人类的交互中助长恶意操纵、虚假信息传播和偏见扩散,凸显了在人工智能部署中建立防护措施的迫切需要。核心要点
- 能够独立近乎完美地回答简单视觉问题的人工智能视觉—语言模型,在提示词中显示其他“参与者”给出错误答案时,可能被推向错误回答。在十二个开源多模态模型中,错误概率在最初几名“同谋者”出现时急剧上升,随后趋于平稳,中位数达到66%。这一平台水平远高于人类在Asch式实验中通常表现出的30%—40%的错误率。
- 群体由谁构成比群体规模更为重要。两名意见一致的错误同谋者所提高的错误概率,高于十名其中半数答案正确的同谋者(0.31对0.20)。在模型更有把握的刺激材料上,其从众程度更低(Spearman ρ 中位数 = −0.91,在32个模型—任务组合中有30个为负值)。即便在模型最有把握的刺激材料上,所有模型和任务中的从众偏差仍然大于零。
- 这些模型的行为与社会影响理论的预测相符。将同谋者标注为专家可使从众偏差提高至多0.13,而将其标注为儿童或聊天机器人则使其降低至多0.06。诸如“警察”或“军官”这类单纯的权威标签没有一致的效应,仅在约半数模型—任务组合中提高了从众程度。共享国籍,甚至仅共享一个任意的群体标签,都在全部32个组合中提高了从众程度。告知模型其答案将被公开,在32个组合中的27个提高了从众程度,其中21个组合的置信区间不包含零。
